CN111221920A - 变电设备运维装置的案例库构建方法、装置及计算机存储介质 - Google Patents

Abstract

本发明提供了一种变电设备运维装置的案例库构建方法，应用于变电设备运维技术领域，包括：收集变电设备运维案例数据，并将所获取的运维案例数据按照案例进行划分；将每一个案例所对应的维修案例数据进行案例数据类型分类；进行案例特征提取；并针对所提取的每一个特征采用标签进行标注，并将每一个案例的特征和特征对应的标注作为该案例所对应的案例数据；采用关系型数据库管理系统，建立数据库二维表格存储案例数据，以此构建案例库。以及提供了一种变电设备运维装置的案例库构建装置及计算机存储介质。应用本发明实施例，实现运维策略现场自动生成的功能，以提高运维装置的检测准确性，智能化水平，标准化程度，及操作方便性。

Description

变电设备运维装置的案例库构建方法、装置及计算机存储 介质

技术领域

本发明涉及变电设备带电运维技术领域，尤其涉及一种变电设备运维装置的案例库构建方法、装置及计算机存储介质。

背景技术

带电检测试验数据作为重要的设备状态表征参量，是开展电网设备状态评价的数据来源之一。针对目前变电设备带电运维工作中存在的运维工作中数据录入效率不高，变电站运维现场与中心侧互通性差的问题，提出运维装置案例库的构建和匹配解决方法，对提升运检工作效率和设备状态管控能力具有重要意义。

在带电运维领域，目前国外以可靠性为中心的检修技术(RCM)开展了较长研究和应用，取得了较好的社会和经济效益。国内以南京南瑞集团公司开发的PMS2.0提供的运检数据规范性接入及高级分析应用功能为代表，在设备状态评估、故障诊断等领域开展了许多前瞻性的工作。但是规范化，结构化表达典型的带电运维案例偏少，各类案例库使用效率低，无法实时应用到现场运维工作中；现场侧无法使用中心侧丰富的数据资源，中心侧也无法对现场试验进行有力的指导，互通性差。

发明内容

本发明的目的在于克服现有技术之缺陷，提供了一种变电设备运维装置的案例库构建方法、装置及计算机存储介质，旨在实现运维策略现场自动生成的功能，以提高运维装置的检测准确性，智能化水平，标准化程度，及操作方便性。

本发明是这样实现的：

一种变电设备运维装置的案例库构建方法，所述方法包括：

收集变电设备运维案例数据，并将所获取的运维案例数据按照案例进行划分；

将每一个案例所对应的维修案例数据进行案例数据类型分类，所述案例数据类型包括文本类型，图片类型，视频类型；

针对每一个案例，进行案例特征提取；

并针对所提取的每一个特征采用标签进行标注，并将每一个案例的特征和特征对应的标注作为该案例所对应的案例数据；

采用关系型数据库管理系统，建立数据库二维表格存储每一个案例的案例数据，以此构成案例库。

一种实现方式中，所述方法还包括：

获取对运维过程有影响的外界多维信息；

根据所获取的外界多维信息对数据库进行优化。

一种实现方式中，每一个案例的案例数据为统一数据格式，主要包括：

基本信息，包含运维案例的编号、名称、所属的运维模式；

运维过程信息，对带电检测时间、地点和检测异常的详细描述，以及异常发生前和发生时、观测或者测量到的主要故障现象、各种检测参数的数据；

异常原因信息，包含异常引发的原因；

异常处理对策，包含处理异常产所采取的应对措施；

效果评价，是针对所采用的应对措施之后获得的仪器的运行效果。

一种实现方式中，所述方法还包括案例检索匹配步骤，

所述案例检索匹配步骤包括：

对待处理问题进行描述，以实现对所述待处理问题的识别；

根据数据挖掘和匹配模型，计算所述待处理问题与案例库中每一个案例的相似度；

根据所述相似度确定与所述待处理问题相匹配的案例。

一种实现方式中，所述方法包括：

采用数据挖掘模型，从案例库中数据中分析提取出潜在的数据。

一种实现方式中，所述根据数据挖掘和匹配模型，计算所述待处理问题与案例库中每一个案例的相似度的步骤，包括：

在匹配检索的过程中，采用了权值最邻近法模型和基于知识的神经索引算法模型，计算所述待处理问题与案例库中每一个案例的相似度。

此外，本发明还公开了一种变电设备运维装置的案例库构建装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，

所述存储器，用于存储变电设备运维装置的案例库构建程序；

所述处理器，用于执行所述变电设备运维装置的案例库构建程序，以实现任一项所述的变电设备运维装置的案例库构建方法的步骤。

以及，公开了一种计算机存储介质，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行任一项所述的变电设备运维装置的案例库构建方法的步骤。

应用本发明的变电设备运维装置的案例库构建方法、装置及计算机存储介质，具有以下有益效果：

(1)实现运维策略现场自动生成的功能，以提高运维装置的检测准确性，智能化水平，标准化程度，及操作方便性。

(2)针对变电站现场侧无法实时使用中心侧丰富的数据资源，现场运维方案无法即时生成的问题，研究出一次设备带电运维处理典型案例库构建及快速检索匹配技术，实现对案例的自动收集、快速匹配，实时辅助变电站现场带电运维策略生成。

(3)适应于现场终端的小型化的案例库和索引匹配方法的构建，能在网络资源有限的情况下，充分利用中心侧平台资源，提出结合现场和中心侧运维决策协同的评估方法，实现带电运维现场对设备的实时评估诊断，提出指导性的运维建议，具有广泛的应用前景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的变电设备运维装置的案例库构建方法的一种流程示意图；

图2为本发明实施例提供的变电设备运维装置的案例库构建及匹配方法的另一种流程示意图；

图3为本发明实施例提供的变电设备运维装置的案例库构建方法的第一种应用场景示意图；

图4为本发明实施例提供的变电设备运维装置的案例库构建方法的第二种应用场景示意图；

图5为本发明实施例提供的变电设备运维装置的案例库构建方法的第三种应用场景示意图；

图6为本发明实施例提供的变电设备运维装置的案例库构建方法的第四种应用场景示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参见图1，本发明实施例提供一种变电设备运维装置的案例库构建方法，包括步骤如下：

如图1和图2所示，本发明提供一种变电设备运维装置的案例库构建及匹配方法，所述方法包括：

S101，收集变电设备运维案例数据，并将所获取的运维案例数据按照案例进行划分。

需要说明的是，该步骤包括文献收集与现场调研。收集省电网公司近年来各种有关变电设备带电检测数据、典型案例，调研对各类主设备典型故障相关联的带电检测类型，收集各类主设备典型故障的运维检修流程，提取分析案例数据。收集各类带电检测数据的存储方式、数据结构等规范化表达方式，了解各类型数据的原始格式和基本特点。

S102，将每一个案例所对应的维修案例数据进行案例数据类型分类，所述案例数据类型包括文本类型，图片类型，视频类型。

可以理解的是，对所收集到的数据按照案例类型进行分类存储，具体的，案例数据类型可以是文本类型，图片类型，视频类型。

S103，针对每一个案例，进行案例特征提取。

在对收集的数据进行分类与整理的过程中，即是根据主设备信息、检测装置信息、检测数据信息、环境信息等信息的过程。这部分的数据构成案例库的数据源，形成各类变电主设备的运检案例库的数据支撑，并依据各类带电检测的相关性和故障排查经验，形成运维决策方法的数据支撑。对于各类带电检测数据格式进一步分类，区分出图谱、图片、视频等非结构化数据，便于按数据类别进行信息化处理，数据调研和分析，保证数据具有普遍性和推广性。

针对特征提取，采用基于知识的引导法(Knowledge-Guided)，即建立检索知识库，用知识确定案例表达信息中哪些特征在案例检索中最重要，并根据这些特征来组织和检索。另外，对于图谱、视频等非结构化数据的特征量提取，建立基于半监督和弱监督机器学习的视频图像标签技术。通过基于半监督或弱监督机器学习方法，可以形成视频图像标注方法，半自动或全自动地生成语义标签库。

在案例库构建过程中，为统一数据格式，一个案例一般包含两个部分的信息：案例信息的描述和问题的解决方案。案例的知识描述是案例信息描述最关键的部分，不同应用领域问题，案例的描述具体内容是不同的。针对于带电运维诊断过程的实际需要，归纳总结出一个合理的案例规范化描述框架，主要包含以下信息：

基本信息：包含运维案例的编号、名称、所属的运维模式。

运维过程信息：包含带电检测时间、地点和检测异常的详细描述，尤其要详细记录异常发生前和发生时、观测或者测量到的主要故障现象、各种检测参数的数据等信息。

异常原因：包含异常引发的原因。

异常处理对策：包含检测到异常产生后的具体应对措施。

效果评价：包含采用应对措施之后，仪器的运行效果。

为建立数据库本地化存储案例数据，本专利采用关系型数据库管理系统(RDBMS)。该系统采用二维表格作为存储数据的基本模型，表格由行和列组成，一般情况下，列被称作“字段”用于表示组成数据有效信息的属性，而行则用于表示一条完整的数据记录。

S104，并针对所提取的每一个特征采用标签进行标注，并将每一个案例的特征和特征对应的标注作为该案例所对应的案例数据。

如图3所示，首先对部分训练视频、图片进行标注，然后采用非结构视频数据的特征描述技术实现视频和图片的结构化描述，并与标注内容一一对应，将特征描述后的视频和图像作为半监督或弱监督机器学习方法的输入，可学习获得最优参数，将最优参数下的半监督或弱监督机器学习方法用于对测试视频、图片进行标注，可以获得相应的视频和图片标签。由于文字标签本身是结构化信息，因此，文字标签不需要进行类似处理。

S105，采用关系型数据库管理系统，建立数据库二维表格存储每一个案例的案例数据，以此构建案例库。

对案例进行规范化存储主要包括：1)针对检测/试验报告、文档等半结构化数据，采用各类型文本的解析技术，提取文本中的关键内容，将关键内容存入关系库中；2)针对图谱、视频等非结构化大体积数据，采用规范化的多介质设备混合存储技术，将提取的特征量和关键数据进行规范化存储。

其中，对于数据标准化存储格式采用XML数据规范技术。XML作为一种元标记语言，具备数据和表示相分离、自描述性等优势，在描述复杂数据和包括图像在内的多种数据上具有很强的优势。它通过严格的语法定义，良好的可扩展性，比较好地规范了网络中的文件数据传输；它通过开放的自我描述方式，更好地对待表达数据的数据结构进行了突出。其用于案例数据存储具有以下优点：(1)良好的可扩展性，XML可以根据不同的格式需求，自行定义出合适的格式结构。(2)良好的移植性，XML文档可以存储包括语音格式在内的多种数据，XML通过自身的跨平台性从而实现了包含在XML文档内的其他数据的跨平台性。(3)内容与形式分离，实现了以标记包含信息，大大简化了XML的检索任务量，修改XML文档中用于表现数据的表单即可实现对XML文档的修改。(4)良好的自描述性，XML文档具体包括了数据部分，标记说明部分和数据格式说明部分。(5)便于不同系统之间信息的传输。

在运维装置中采用XSLT(Extensible Style sheet Language Transformations)技术将XML文档转换成其它类型的文档或其它格式的XML文档，采用Xpath(Xml PathLanguage)技术定义如何在XML文档中查找和定位数据，采用XML Schema描述了一类XML文档的数据结构和数据类型，规范文档中的标签和文本可能的组合形式。XML Schema支持的数据类型包括数字型、布尔型、整型、日期时间、URI、十进制数等，而且它还支持由这些简单的类型生成更复杂的类型。由此，便可方便地把需要交换的数据转换成XML文档，完成案例数据的存储。

对于数据库采用面向对象数据库管理系统(OODBMS)，使得运维场景案例中的文本、图像、视频和空间数据可以存储在数据库中：且面向对象数据库可以将数据视为对象，数据是作为一个整体，包含了属性和方法，并能体现数据间的继承关系。另外，在基于XML的数据存取应用中，该系统采用XPath、XQL进行查询和定位。对于一组给定的案例文档，用户可以指定其中每一个文档在分层结构中的位置，就像它们存储于文件系统之中一样。文档之间是相互独立的，尽管每个文档在数据库中可以仅仅存储一次，但是可以通过其存储路径来并借助XPointer和XLink机制对其进行关联。同时，面向对象数据库系统也提供了基于HTTP和XML数据存取机制。

案例检索即最佳匹配案例的查找。最佳匹配案例是指与当前问题最相似的案例，因此，案例库匹配方法旨在能对案例检索中的案例相似性进行判别，同时减少等待处理的案例的数目，以及在检索过程中直接跳过不相关的案例或案例组。

案例相似性判别是案例检索的基础，它直接影响系统的效率。通常相似性的判别分为两类:一类是与领域相关的方法，另一类是与领域无关的方法领域。无关的方法主要从结构上判别案例的相似，即通过案例的位置关系比较相似性，这类方法通用性较强，但是对索引结构的要求较高，建立结构时必须能够反映案例的相似关系，另外固定的结构无法反映出相似性的多重标准；领域相关的方法是在领域知识的指导下进行相似性的判断，其关键问题是知识的组织和应用。本文将两种方法结合起来判别案例的相似性。

因此，一种实现方式中，所述方法还包括案例检索匹配步骤，具体包括：

对待处理问题进行描述，以实现对所述待处理问题进行识别；根据数据挖掘和匹配模型，计算所述待处理问题与案例库中每一个案例的相似度；根据所述相似度确定与所述待处理问题相匹配的案例。

针对案例库的匹配，具体通过以下方法实现：

采用数据挖掘的方法，从案例库中大量的，模糊的、随机的数据中分析提取出潜在的有用的知识和信息，以为后续的匹配决策提供依据。

本案例库采用的数据挖掘方法包括：时间序列挖掘、线性回归、关联分析、和聚类算法。其算法模型如下：

1)时间序列算法模型

时间序列挖掘就是从案例库中的时间序列数据中挖掘频繁模式，演化规律等现有信息，并对未来的发展趋势进行预测。此处采用的时间序列挖掘算法为自回归模型(AR)，其过程表示为：

Y_t＝c+φ₁Y_t-1+φ₂Y_t-2+...+φ_pY_t-p+V_t

其中，{Y_t}为目标序列，Y_t-p是t-p个序列，Y的下表用于区分序列，c为常数{V_t}为白噪声过程，

为参数，下表用于区分不同的参数。引入滞后算子，则上式可以写成：

φ(L)Y_t＝c+v_t其中φ(L)＝1*φ₁L*φ₂L*...*φ_pL^p

2)线性回归算法模型

回归分析方法可以通过确立和分析某种响应变量Y(因变量)和重要因素X(自变量)之间的函数关系，从实际案例数据中寻找某种规律。回归值代表任意一个条件期望值，在数据建模中，经常是给定条件变量下因变量的条件期望值。将案例的预测特征属性视为自变量，预测决策目标视为因变量，则可使用回归技术进行预测。对于形如下式的线性模型：

Y_i＝β₀+β₁X_1i+β₂X_2i+…+β_pX_pi+e_i

其中e为误差项，采用最小二乘法来估计参数β(下标用以区分不同的参数)，X的不同下标用来区分不同的因素，最小二乘估计是一切线性无偏估计类中方差一致最小的估计。

3)关联规则算法模型

数据关联是数据库中存在的一类重要的、可被发现的知识，关联规则旨在发现两个或两个以上特征变量的取值之间存在的某种规律性。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出案例库中隐藏的关联网，本文采用Frequent PatternGrowth(FP-Growth)算法，使用FP树，通过模式增长挖掘频繁模式。此外，采用支持度和可信度两个阀值来度量关联规则的相关性，同时引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。

例如：支持度A和B均发生的比例

其中，N_AB为AB出现的次数，T为时间的总次数，反映规则的可靠程度。

置信度A发生的事务中B发生的比例

其中N_AB为AB出现的次数，N_A为A出现的次数反应规则的可信程度。

4)聚类算法模型

聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在库中相似的案例基础上收集新的案例数据来分类，它被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。案例数据聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼此相似，不同类中的数据相异。在这个过程中可以建立宏观的案例库视角，发现数据的分布模式，以及可能的数据属性之间的相互关系。此处采用的聚类方法为mean-shift聚类。Mean-shift均值漂移算法是一种基于核密度估计的非参数化的聚类算法，对一个概率密度函数f(x)，已知d维空间中n个案例特征采样点x_i，i＝1,…,n，f(x)的核函数估计为：

其中，h为聚类半径，ω(x_i)>＝0是采样点x_i的权重，K()是核函数。那么对于空间中的任意点x的漂移向量M_h基本形式可以表示为：

其中x_i(i＝1～n)为n个样本点，S_h为以x为中心的半径为h的多维球体，即特征数据集X中距离点x小于聚类半径h的数据点集合，y是S_h中的点，S_h可表示为：

S_h(x)＝{y：||y-x_i||²＜h²}# (12)

在聚类的过程中通过计算漂移向量，更新圆心x的位置

相比于其他聚类算法，mean-shift聚类无需预先设置案例各特征的聚类中心数即案例类型数，可以通过数据分布概率密度自适应选取聚类中心数。由此可得到案例特征聚类结果，每一个特征聚类中心即代表同一种案例类型。

对案例库进行检索，找出与新检测到的案例最佳匹配的案例，并对新案例归类更新案例库。

在寻找最佳匹配的过程中，首先进行初始匹配，从案例库中找出一系列候选对象。这个过程是将问题描述(输入特征)直接或间接的作为案例存储的索引，采用的案例检索有三种方法:直接从问题特征出发寻找检索指针；查询检索结构；查询通用领域知识型。

接下来从中筛选出最佳匹配结果。在初始匹配的过程中，也许会返回许多检索到的案例。通过评价初始选择案例与实际问题的近似程度决定最佳匹配案例。如果查询的匹配案例与实际问题不是足够相似，就会在邻近相关的匹配待选案例中进一步查找。这个过程通常比初始检索更加细致，尽管在所有的系统中二者的区别不是非常清晰。筛选过程一般会对每一个检索到的案例生成结果进行说明。这可以通过利用系统自身的通用领域知识和询问用户以求证得到附加的信息。检索到的案例按照排列标准进行排序。其中，知识密集型方法会生成支持这种排序过程的说明，最佳匹配案例会有更加相似的说明。

在匹配检索的过程中，本文采用了权值最邻近法，基于知识的神经索引法，在筛选决策和更新案例库的过程中采用了贝叶斯网络决策法。

1)权值最邻近法(Nearest-Neighbour Approach)

权值邻近法的核心思想是为每个案例的属性指定一个权值，检索案例时，根据输入案例与案例库中的案例的各个属性的匹配程度的加权来挑选最佳匹配案例。这种方法简单实用，但很难确定一组适用于所有案例的权值，仅适合于较小规模的案例库的检索。

2)基于知识的神经索引法(ANN-Based Approach)

基于知识的神经索引法的核心思想是将模糊理论与人工神经网络相结合进行案例的检索和提取的方法。模糊系统具有较强的知识表示及解释能力；神经网络则在知识提取、自适应、学习及并行计算方面表现突出。将模糊系统和神经网络相结合用于人工智能可以形成一类功能强大的智能系统。利用神经网络从输入案例中归纳出模糊规则，与案例库中的案例相匹配，检索出相似案例，此种算法可以实现复杂的案例库检索。

3)贝叶斯网络决策法

将专家知识与数据学习的方法相结合，构建案例库的贝叶斯网络模型，先由领域专家确定网络结构，然后根据样本数据进行网络参数学习在贝叶斯网络中，随着变量的增加，联合分布的参数个数呈现指数级增长，而利用变量间的条件独立关系可以将联合分布概率分解为多个复杂度较低的概率分布。在假定对象的特征空间中每一个维度的特征向量都是相互独立的前提下，贝叶斯分类算法可描述如下：设z＝{a₁,a₂,…,a_m}为一个待分类项，而其中每个a的值为z的一个特征属性，有类别集合C＝{y₁,y₂,…,y_n}，计算P(y₁|z)，P(y₂|z)，…，P(y_n|z)，其中P(y_k|z)为待分类项z属于y_k类的概率,k∈(1，n)。如果满足：

P(y_k|z)＝max{P(y₁|z)，P(y₂|z)，...，P(y_n|z)}# (14)

则z∈y_k。由此，可通过采用贝叶斯决策法对初次匹配的系列案例进行判断，筛选出与新案例匹配概率最大的案例。同时，将已判断的新案例进行标注，并录入案例库，对案例库进行更新。

用多维度外部信息对案例库索引进行优化。

建立高效多级状态检测数据综合索引模型，将状态检测数据从电力设备基础数据、电力设备运行数据(电压、电流、负荷)、检测仪器(获得仪器的厂家、年限和系数)、检测仪器数据(特征量1、特征量2、特征量2等等)、气象信息等维度进行状态检测数据建模，利用K-prototypes进行聚类分析，研究各个维度之间的关联性，在此基础上建立类型状态检测数据的高维混合数据标识模型，如图4所示。以此标识模型构建状态检测数据样本库，同时，引入基于指纹搜索的状态检测数据快速索引模型，待检索数据为案例所在的案例库，通过提取数据指纹(也就是特征)，通过指纹搜索匹配(也就是特征匹配)，获得就检索结果，如图5所示。

综上所述，完成变点设备运维装置的案例库的构建及匹配方法，可使得运维装置能够自动收集和快速匹配案例，实时辅助变电站现场带电运维策略生成，从而实现运维装置的标准化和智能化。

因此，应用本发明实施例，包括：1.对典型的数据样本开展变电设备带电检测数据特性分析，研究检测数据特征量提取技术，确定各类检测数据存储方式、数据结构等规范化表达方式，构建带电运维案例库；2.根据变电站现场便携式检测装置的软、硬件基础，研究适应于现场的带电检测小型化典型案例库并实现本地化存储；3.综合电力设备基础数据、运行数据、检测仪器、检测数据、环境信息等参量，建立运维案例的多级综合索引模型，实现在变电站现场对中心侧平台资源的快速索引匹配，在有限的网络资源条件下获取有效的远端数据，辅助变电站现场带电运维策略的生成。

本发明的总体技术路线如图6所示，即：通过调研典型的变电运维案例，进行案例自动收集，形成运维决策案例库和案例匹配方法，获得典型案例库，完成变电设备指导性带电运维方案和实现即时运维策略自动生成，从而指导现场运维作业，然后云间信息评估分析获得及时运维策略，从而进一步优化案例库的构建与匹配。其中，技术重难点集中在典型运维案例库的整合归集、基于案例分析的及时运维策略自动生成、数据规范化及特征量提取、数据规范化存储、数据分析评价与诊断、数据同步规范等关键技术。

此外，本发明还公开了一种变电设备运维装置的案例库构建装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，

所述存储器，用于存储变电设备运维装置的案例库构建程序；

所述处理器，用于执行所述变电设备运维装置的案例库构建程序，以实现任一项所述的变电设备运维装置的案例库构建方法的步骤。

以及公开了一种计算机存储介质，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个如图所示的处理器执行，以使所述一个或者多个处理器执行任一项所述的变电设备运维装置的案例库构建方法的步骤。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种变电设备运维装置的案例库构建方法，其特征在于，所述方法包括：

收集变电设备运维案例数据，并将所获取的运维案例数据按照案例进行划分；

将每一个案例所对应的维修案例数据进行案例数据类型分类，所述案例数据类型包括文本类型，图片类型，视频类型；

针对每一个案例，进行案例特征提取；

并针对所提取的每一个特征采用标签进行标注，并将每一个案例的特征和特征对应的标注作为该案例所对应的案例数据；

采用关系型数据库管理系统，建立数据库二维表格存储每一个案例的案例数据，以此构建案例库。

2.根据权利要求1所述的变电设备运维装置的案例库构建方法，其特征在于，所述方法还包括：

获取对运维过程有影响的外界多维信息；

根据所获取的外界多维信息对数据库进行优化。

3.根据权利要求1或2所述的变电设备运维装置的案例库构建方法，其特征在于，每一个案例的案例数据为统一数据格式，主要包括：

基本信息，包含运维案例的编号、名称、所属的运维模式；

运维过程信息，对带电检测时间、地点和检测异常的详细描述，以及异常发生前和发生时、观测或者测量到的主要故障现象、各种检测参数的数据；

异常原因信息，包含异常引发的原因；

异常处理对策，包含处理异常产所采取的应对措施；

效果评价，是针对所采用的应对措施之后获得的仪器的运行效果。

4.根据权利要求3所述的变电设备运维装置的案例库构建方法，其特征在于，所述方法还包括案例检索匹配步骤，

所述案例检索匹配步骤包括：

对待处理问题进行描述，以实现对所述待处理问题的识别；

根据数据挖掘和匹配模型，计算所述待处理问题与案例库中每一个案例的相似度；

根据所述相似度确定与所述待处理问题相匹配的案例。

5.根据权利要求4所述的变电设备运维装置的案例库构建方法，其特征在于，所述方法包括：

采用数据挖掘模型，从案例库中数据中分析提取出潜在的数据。

6.根据权利要求5所述的变电设备运维装置的案例库构建方法，其特征在于，所述根据数据挖掘和匹配模型，计算所述待处理问题与案例库中每一个案例的相似度的步骤，包括：

在匹配检索的过程中，采用了权值最邻近法模型和基于知识的神经索引算法模型，计算所述待处理问题与案例库中每一个案例的相似度。

7.一种变电设备运维装置的案例库构建装置，其特征在于，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，

所述存储器，用于存储变电设备运维装置的案例库构建程序；

所述处理器，用于执行所述变电设备运维装置的案例库构建程序，以实现如权利要求1至6中任一项所述的变电设备运维装置的案例库构建方法的步骤。

8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行如权利要求1至6中任一项所述的变电设备运维装置的案例库构建方法的步骤。

Images